JP6577542B2 - Control device - Google Patents

Control device Download PDF

Info

Publication number
JP6577542B2
JP6577542B2 JP2017170626A JP2017170626A JP6577542B2 JP 6577542 B2 JP6577542 B2 JP 6577542B2 JP 2017170626 A JP2017170626 A JP 2017170626A JP 2017170626 A JP2017170626 A JP 2017170626A JP 6577542 B2 JP6577542 B2 JP 6577542B2
Authority
JP
Japan
Prior art keywords
control device
learning
power
unit
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017170626A
Other languages
Japanese (ja)
Other versions
JP2019046324A (en
Inventor
裕亮 杉山
裕亮 杉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FANUC Corp
Original Assignee
FANUC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by FANUC Corp filed Critical FANUC Corp
Priority to JP2017170626A priority Critical patent/JP6577542B2/en
Priority to US16/119,131 priority patent/US11048216B2/en
Priority to DE102018006992.4A priority patent/DE102018006992B4/en
Priority to CN201811032419.XA priority patent/CN109421072B/en
Publication of JP2019046324A publication Critical patent/JP2019046324A/en
Application granted granted Critical
Publication of JP6577542B2 publication Critical patent/JP6577542B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34315—Power supply turning on or shutting off
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Power Sources (AREA)
  • Feedback Control In General (AREA)

Description

本発明は制御装置に関し、特にユーザによる電源切断のタイミングを予測し、データ退避処理等を前記タイミングまでに予め実施しておくことで、電源切断処理の所要時間を短縮する制御装置に関する。   The present invention relates to a control apparatus, and more particularly to a control apparatus that predicts the timing of power-off by a user and shortens the time required for power-off processing by performing data save processing and the like in advance by the timing.

従来の制御装置は、ユーザによる電源切断の指令に応じて、保存すべきデータを揮発性メモリから不揮発性メモリに退避させる処理（ハイバネーションやバックアップデータ転送等）を実行し、当該処理の実行後に電源を切断する。これは、次回の制御装置の軌道次回を短縮するためには不可欠な処理であるが、一方で、電源切断の指令から実際に切断されるまでに時間がかかるという問題がある。   A conventional control device executes a process (such as hibernation or backup data transfer) for saving data to be saved from a volatile memory to a non-volatile memory in response to a user power-off command. Disconnect. This is an indispensable process for shortening the next trajectory of the next control device, but on the other hand, there is a problem that it takes time from the power-off command to the actual disconnection.

特開平０７−０２８５７２号公報Japanese Patent Application Laid-Open No. 07-028572

もし電源切断の指令がなされるタイミングを事前に検知できれば、ハイバネーションやバックアップデータ転送等の処理を当該タイミングまでに完了させておくことで、電源切断の指令後速やかに電源を切断できるはずである。しかし、現在のところ電源切断の指令タイミングを事前に予測するような技術は存在しない。   If the timing at which the power-off command is issued can be detected in advance, the power can be quickly turned off after the power-off command is completed by completing processing such as hibernation and backup data transfer by that timing. However, there is currently no technique for predicting the power-off command timing in advance.

例えば特許文献１には、ロボット制御装置の稼働履歴に基づいて消費電力量を予測する構成が記載されている。しかしながら、特許文献１が予測するものは消費電力量であって、同文献は電源切断の指令タイミングを予測するための技術については何ら開示も示唆もしていない。   For example, Patent Document 1 describes a configuration for predicting power consumption based on an operation history of a robot control device. However, what is predicted by Patent Document 1 is the amount of power consumption, and the document does not disclose or suggest any technique for predicting the power-off command timing.

本発明はこのような問題点を解決するためになされたものであって、ユーザによる電源切断のタイミングを予測し、データ退避処理等を前記タイミングまでに予め実施しておくことで、電源切断処理の所要時間を短縮する制御装置を提供することを目的とする。   The present invention has been made to solve such a problem, and predicts the timing of power-off by the user, and performs the power-off processing by performing the data saving processing or the like in advance by the timing. An object of the present invention is to provide a control device that shortens the required time.

本発明の一実施の形態にかかる制御装置は、電源の切断タイミングを予測する制御装置であって、前記電源の切断タイミングを学習する機械学習装置を備え、前記機械学習装置は、ユーザ毎の前記制御装置に対する操作内容を、環境の現在状態を表す状態変数として観測する状態観測部と、前記ユーザにより前記制御装置の電源切断が指令されたことを示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記ユーザ毎の操作内容と、前記電源切断の指令とを関連付けて学習する学習部と、を備える。
本発明の一実施の形態にかかる制御装置は、前記状態変数には、前記ユーザ毎の操作内容に加えて、前記操作の日付、曜日、時刻、ティーチングペンダントの加速度又は位置、工場の消費電力、ＣＰＵの負荷状態、アラームの出力状態のうち少なくともいずれか１つを含む。
本発明の一実施の形態にかかる制御装置は、前記学習部は、前記状態変数と前記判定データとを多層構造で演算する。
本発明の一実施の形態にかかる制御装置は、前記予測した電源の切断タイミングを通知する判定出力部３２０を備える。
本発明の一実施の形態にかかる制御装置は、前記学習部は、複数の前記制御装置から得られた前記状態変数及び前記判定データを用いて前記学習を行う。
本発明の一実施の形態にかかる制御装置は、前記機械学習装置は、クラウドサーバに存在する。
本発明の一実施の形態にかかる機械学習装置は、電源の切断タイミングを学習する機械学習装置であって、ユーザ毎の制御装置に対する操作内容を、環境の現在状態を表す状態変数として観測する状態観測部と、前記ユーザにより前記制御装置の電源切断が指令されたことを示す判定データを取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、前記ユーザ毎の操作内容と、前記電源切断の指令とを関連付けて学習する学習部と、を備える。 A control device according to an embodiment of the present invention is a control device that predicts a power-off timing, and includes a machine learning device that learns the power-off timing, and the machine learning device A state observation unit for observing the operation content for the control device as a state variable representing the current state of the environment, a determination data acquisition unit for acquiring determination data indicating that the user has commanded to turn off the power of the control device, And a learning unit that learns the operation content for each user and the power-off command in association with each other using the state variable and the determination data.
In the control device according to an embodiment of the present invention, the state variable includes, in addition to the operation content for each user, the date of operation, day of the week, time, acceleration or position of the teaching pendant, power consumption of the factory, It includes at least one of a CPU load state and an alarm output state.
In the control device according to the embodiment of the present invention, the learning unit calculates the state variable and the determination data in a multilayer structure.
The control apparatus according to an embodiment of the present invention includes a determination output unit 320 that notifies the predicted power-off timing.
In the control device according to an embodiment of the present invention, the learning unit performs the learning using the state variable and the determination data obtained from a plurality of the control devices.
In the control device according to an embodiment of the present invention, the machine learning device is present in a cloud server.
A machine learning device according to an embodiment of the present invention is a machine learning device that learns power-off timing, and is a state in which operation contents for a control device for each user are observed as a state variable representing a current state of an environment. Using the observation unit, a determination data acquisition unit that acquires determination data indicating that the user has commanded to turn off the power supply of the control device, and the operation contents for each user using the state variable and the determination data And a learning unit that learns in association with the power-off command.

本発明によれば、ユーザによる電源切断のタイミングを予測し、データ退避処理等を前記タイミングまでに予め実施しておくことで、電源切断処理の所要時間を短縮する制御装置を提供することができる。   According to the present invention, it is possible to provide a control device that shortens the time required for power-off processing by predicting the timing of power-off by the user and performing data saving processing or the like in advance by the timing. .

制御装置１００の構成を示すブロック図である。2 is a block diagram showing a configuration of a control device 100. FIG. 制御装置１００の構成を示すブロック図である。2 is a block diagram showing a configuration of a control device 100. FIG. 制御装置１００の構成を示すブロック図である。2 is a block diagram showing a configuration of a control device 100. FIG. ニューロンを説明する図である。It is a figure explaining a neuron. ニューラルネットワークを説明する図である。It is a figure explaining a neural network. 制御装置１００の構成を示すブロック図である。2 is a block diagram showing a configuration of a control device 100. FIG. 制御システム１０００の構成を示すブロック図である。2 is a block diagram showing a configuration of a control system 1000. FIG. 制御装置１００の動作を示すフローチャートである。3 is a flowchart showing the operation of the control device 100. 制御装置１００の動作を示すフローチャートである。3 is a flowchart showing the operation of the control device 100. 実施例１にかかる制御装置１００の動作を示す図である。FIG. 3 is a diagram illustrating an operation of the control device 100 according to the first embodiment. 実施例２にかかる制御装置１００の動作を示す図である。FIG. 10 is a diagram illustrating an operation of the control device 100 according to the second embodiment.

本発明の実施の形態について、図面を用いて説明する。
本発明の第１の実施の形態にかかる制御装置１００は、電源切断前にユーザが実行した作業等に関する情報と、ユーザが電源切断の指令を行ったタイミングとを収集し、両者の関係を機械学習によりモデル化する処理を行う（学習過程）。また、学習過程で作成したモデルを使用して、ユーザが実行した作業等を観測して、ユーザが電源切断の指令を行うであろうタイミング予測する処理を行う（予測過程）。 Embodiments of the present invention will be described with reference to the drawings.
The control device 100 according to the first embodiment of the present invention collects information related to work and the like performed by the user before the power is turned off and the timing when the user gives a command to turn off the power. A process of modeling by learning is performed (learning process). In addition, the model created in the learning process is used to observe the work performed by the user and perform a process of predicting the timing at which the user will issue a power-off command (prediction process).

図１は制御装置１００の要部を示す概略的なハードウェア構成図である。ＣＰＵ１１は、制御装置１００を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って制御装置１００全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ及び外部から入力された各種データ等が一時的に格納される。   FIG. 1 is a schematic hardware configuration diagram showing a main part of the control device 100. The CPU 11 is a processor that controls the control device 100 as a whole. The CPU 11 reads a system program stored in the ROM 12 via the bus 20 and controls the entire control apparatus 100 according to the system program. The RAM 13 temporarily stores temporary calculation data, display data, various data input from the outside, and the like.

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、制御装置１００の電源がオフされても記憶状態が保持されるメモリとして構成される。図示しないインタフェースを介して入力された各種プログラムやデータが記憶されている。不揮発性メモリ１４に記憶されたプログラムやデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種のシステム・プログラムがあらかじめ書き込まれている。   The nonvolatile memory 14 is configured as a memory that retains the storage state even when the power of the control device 100 is turned off, for example, by being backed up by a battery (not shown). Various programs and data input via an interface (not shown) are stored. The program and data stored in the nonvolatile memory 14 may be expanded in the RAM 13 at the time of execution / use. Various system programs are written in the ROM 12 in advance.

入力装置６０は、ユーザが行った操作内容等を収集する装置である。例えば入力装置６０はティーチングペンダント（ＴＰ）であり、ログイン中のユーザを特定する情報（ユーザＩＤ等）、ユーザが行った操作のログ（実行した日付や曜日、時刻、作業内容等）、ＴＰの加速度等の情報を収集、出力する。また入力装置６０は工場の制御システムであり、工場の消費電力を取得、出力しても良い。また入力装置６０はＴＰをトラッキングするビジョンセンサであり、ＴＰの現在位置（座標）を取得、出力しても良い。また入力装置６０は制御装置１００自身であり、ＣＰＵ１１の負荷状態や、再起動の必要性を通知するアラームの出力ログを取得、出力しても良い。   The input device 60 is a device that collects details of operations performed by the user. For example, the input device 60 is a teaching pendant (TP), information for identifying a logged-in user (user ID, etc.), a log of operations performed by the user (executed date, day of the week, time, work content, etc.), TP Collect and output information such as acceleration. The input device 60 is a factory control system, and may acquire and output power consumption of the factory. The input device 60 is a vision sensor that tracks the TP, and may acquire and output the current position (coordinates) of the TP. Further, the input device 60 is the control device 100 itself, and may output and output an alarm output log notifying the load state of the CPU 11 and the necessity of restart.

ユーザを特定する情報は、ユーザにより電源切断の指示のタイミングが異なる可能性があることから、入力データとして有用である。またユーザが行う作業内容のうち、例えばＣＰＵに高負荷がかかる蓋然性が高い作業、ロボットの設定操作など制御装置１００の再起動が必要になる作業、その他再起動を促すアラームが出る作業についてのログは、その後の電源切断との関連性を有する可能性があることから、入力データとして有用である。また、上述の作業に関わらず、ユーザによっては例えば特定のボタン操作のパターンが電源切断と関連性を有することがあるので、あらゆる操作ログが入力データとして有用である可能性がある。日付、曜日、時刻に関する情報は、例えば休日、長期連休前、休憩時間前、勤務終了時刻前などには電源切断が行われる可能性が高いことから、入力データとして有用である。ＴＰの加速度や位置に関する情報は、工場によってはＴＰの置き場所などが電源切断と関連付けられてルール化されていたり、ユーザの癖により電源切断との関連性が見られることもあるので、入力データとして有用である。ＣＰＵ１１が高負荷状態であることや、再起動の必要性を通知するアラームが出力されたことは、上述のように近い将来の電源切断と関連性を有することがあるから、これらのイベントも入力データとして有用である。   The information for identifying the user is useful as input data because there is a possibility that the timing of the power-off instruction is different depending on the user. In addition, among the work contents performed by the user, for example, a work that is highly likely to cause a heavy load on the CPU, a work that requires a restart of the control device 100 such as a robot setting operation, and a work that generates an alarm prompting the restart. Is useful as input data because it may have a relationship with the subsequent power-off. Regardless of the above-described work, for example, a specific button operation pattern may be related to power-off depending on the user, so that any operation log may be useful as input data. Information relating to the date, day of the week, and time is useful as input data because there is a high possibility that the power is cut off before, for example, a holiday, before a long holiday, before a break, or before a work end time. Information regarding the acceleration and position of the TP is input data because the location of the TP may be related to the power-off in some factories depending on the factory, or may be related to the power-off by the user's habit. Useful as. Since the fact that the CPU 11 is in a high load state and an alarm notifying the necessity for restarting may be related to the power off in the near future as described above, these events are also input. Useful as data.

入力装置６０は、これらの入力データのうちサンプリング可能なもの（加速度、消費電力、座標、負荷状態等）については、所定の周期（典型的には秒単位だが、必要に応じ適宜調整し得る）でサンプリングし、制御装置１００に送信する。その他の入力データ（操作ログ、アラーム発生ログ等のイベント）については、イベントが発生する毎に制御装置１００に送信する。制御装置１００は、インタフェース１８を介して入力装置６０から入力データを受信し、ＣＰＵ１１に渡す。   The input device 60 can sample the input data (acceleration, power consumption, coordinates, load state, etc.) in a predetermined cycle (typically in seconds, but can be adjusted as necessary). Is sampled and transmitted to the control device 100. Other input data (events such as operation logs and alarm occurrence logs) are transmitted to the control device 100 each time an event occurs. The control device 100 receives input data from the input device 60 via the interface 18 and passes it to the CPU 11.

電源切断処理部７０は、ユーザにより電源切断が指令された際にこれを検知し、通知信号（以下、切断情報）を出力する。制御装置１００は、インタフェース１９を介して電源切断処理部７０から切断情報を受信し、ＣＰＵ１１に渡す。   The power-off processing unit 70 detects this when a power-off command is given by the user, and outputs a notification signal (hereinafter, “cut-off information”). The control device 100 receives the disconnection information from the power-off processing unit 70 via the interface 19 and passes it to the CPU 11.

インタフェース２１は、制御装置１００と機械学習装置３００とを接続するためのインタフェースである。機械学習装置３００は、機械学習装置３００全体を統御するプロセッサ３０１と、システム・プログラム等を記憶したＲＯＭ３０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ３０３、及び学習モデル等の記憶に用いられる不揮発性メモリ３０４を備える。機械学習装置３００は、インタフェース２１を介して制御装置１００で取得可能な各情報（入力データ、切断情報等）を観測することができる。   The interface 21 is an interface for connecting the control device 100 and the machine learning device 300. The machine learning device 300 includes a processor 301 that controls the entire machine learning device 300, a ROM 302 that stores system programs and the like, a RAM 303 that performs temporary storage in each process related to machine learning, and a storage such as a learning model. Non-volatile memory 304 used for the above is provided. The machine learning device 300 can observe each piece of information (input data, cutting information, etc.) that can be acquired by the control device 100 via the interface 21.

図２は、制御装置１００と機械学習装置３００の概略的な機能ブロック図である。機械学習装置３００は、入力データの変化と切断情報との相関関係を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ３０１等）を含む。制御装置１００が備える機械学習装置３００が学習するものは、入力データの変化と切断情報との相関性を表すモデル構造に相当する。   FIG. 2 is a schematic functional block diagram of the control device 100 and the machine learning device 300. The machine learning device 300 includes software (learning algorithm or the like) and hardware (processor 301 or the like) for learning the correlation between the change of input data and the cutting information by so-called machine learning. What the machine learning device 300 included in the control device 100 learns corresponds to a model structure that represents the correlation between the change of the input data and the cutting information.

図２に機能ブロックで示すように、制御装置１００が備える機械学習装置３００は、時系列の入力データを環境の現在状態を表す状態変数Ｓとして観測する状態観測部３０６と、切断情報を判定データＤとして取得する判定データ取得部３０８と、状態変数Ｓと判定データＤとを用いて、入力データの変化と切断情報とを関連付けて学習する学習部３１０とを備える。   2, the machine learning device 300 included in the control device 100 includes a state observation unit 306 that observes time-series input data as a state variable S representing the current state of the environment, and disconnection information as determination data. A determination data acquisition unit 308 acquired as D, and a learning unit 310 that learns by associating the change of the input data with the cutting information using the state variable S and the determination data D are provided.

状態観測部３０６は、例えばプロセッサ３０１の一機能として構成できる。或いは状態観測部３０６は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。状態観測部３０６が観測する状態変数Ｓすなわち時系列の入力データは、入力装置６０が出力するものを取得することができる。入力装置６０は、所定のサンプリング周期で取得された時系列の入力データから、所定期間の時系列の入力データを抽出し、状態変数Ｓとして状態観測部３０６に出力する。   The state observation unit 306 can be configured as one function of the processor 301, for example. Or the state observation part 306 can be comprised as software memorize | stored in ROM302 for operating the processor 301, for example. As the state variable S observed by the state observation unit 306, that is, the time-series input data, the output from the input device 60 can be acquired. The input device 60 extracts time-series input data for a predetermined period from time-series input data acquired at a predetermined sampling period, and outputs the data to the state observation unit 306 as a state variable S.

例えば入力装置６０は、入力データを常時取得するとともに、予め定められた一定期間中（例えば最新の入力データの取得時刻から過去ｘ分間）の入力データを保存する。入力装置６０は、電源切断処理部７０が切断情報を出力したことを検知し、切断情報が出力された時点より過去の、予め定められた一定期間（例えば切断情報の出力時のｍ分前から過去ｎ分間など）にわたる時系列の入力データを状態変数Ｓとして出力する。典型的には、ｍ≧ハイバネーションやバックアップデータ転送等の処理に要する平均時間とすることができる。但し、ｍやｎの長さ及び単位をどのように設定するかは任意である。また必要に応じ、ｍやｎをユーザが変更できるようにしても良い。   For example, the input device 60 always acquires the input data and stores the input data during a predetermined period (for example, the past x minutes from the acquisition time of the latest input data). The input device 60 detects that the power-off processing unit 70 has output the disconnection information, and is in a predetermined period (for example, m minutes before the output of the disconnection information) past the time when the disconnection information is output. Time-series input data over the past n minutes or the like) is output as the state variable S. Typically, m can be an average time required for processing such as hibernation or backup data transfer. However, how to set the length and unit of m and n is arbitrary. Moreover, you may enable a user to change m and n as needed.

判定データ取得部３０８は、例えばプロセッサ３０１の一機能として構成できる。或いは判定データ取得部３０８は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。判定データ取得部３０８が観測する判定データＤすなわち切断情報は、電源切断処理部７０が出力するものを取得することができる。   The determination data acquisition unit 308 can be configured as a function of the processor 301, for example. Alternatively, the determination data acquisition unit 308 can be configured as software stored in the ROM 302 for causing the processor 301 to function, for example. The determination data D observed by the determination data acquisition unit 308, that is, the disconnection information, can be acquired from the power-off processing unit 70.

学習部３１０は、例えばプロセッサ３０１の一機能として構成できる。或いは学習部３１０は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。学習部３１０は、機械学習と総称される任意の学習アルゴリズムに従い、入力データの変化と切断情報との相関関係を学習する。学習部３１０は、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。   The learning unit 310 can be configured as one function of the processor 301, for example. Alternatively, the learning unit 310 can be configured as software stored in the ROM 302 for causing the processor 301 to function, for example. The learning unit 310 learns the correlation between the change of the input data and the cutting information according to an arbitrary learning algorithm collectively called machine learning. The learning unit 310 can repeatedly perform learning based on the data set including the state variable S and the determination data D described above.

このような学習サイクルを繰り返すことにより、学習部３１０は入力データの変化と切断情報との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には入力データの変化と切断情報との相関性は実質的に未知であるが、学習部３１０は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。入力データの変化と切断情報との相関性が、ある程度信頼できる水準まで解釈されると、学習部３１０が反復出力する学習結果は、現在状態（入力データの変化傾向）に対して、切断情報がどのようなものとなるべきかという推定を行うために使用できるものとなる。つまり学習部３１０は、学習アルゴリズムの進行に伴い、入力データの変化と切断情報との相関性を最適解に徐々に近づけることができる。   By repeating such a learning cycle, the learning unit 310 can automatically identify a feature that implies the correlation between the change in the input data and the cutting information. At the start of the learning algorithm, the correlation between the change in the input data and the cutting information is substantially unknown, but the learning unit 310 gradually identifies features and interprets the correlation as the learning proceeds. When the correlation between the change in the input data and the disconnection information is interpreted to a certain level of reliability, the learning result repeatedly output by the learning unit 310 indicates that the disconnection information is the current state (change tendency of the input data). It can be used to make an estimate of what it should be. That is, the learning unit 310 can gradually bring the correlation between the change in the input data and the cutting information closer to the optimal solution as the learning algorithm progresses.

上記したように、制御装置１００が備える機械学習装置３００は、状態観測部３０６が観測した状態変数Ｓと判定データ取得部３０８が取得した判定データＤとを用いて、学習部３１０が機械学習アルゴリズムに従い、切断情報を学習するものである。状態変数Ｓは外乱の影響を受け難いデータで構成され、また判定データＤは一義的に求められる。したがって、制御装置１００が備える機械学習装置３００によれば、学習部３１０の学習結果を用いることで、入力データの変化に対応する切断情報を、演算や目算によらずに自動的に、しかも正確に求めることができるようになる。   As described above, in the machine learning device 300 included in the control device 100, the learning unit 310 uses the machine learning algorithm using the state variable S observed by the state observation unit 306 and the determination data D acquired by the determination data acquisition unit 308. According to this, the cutting information is learned. The state variable S is composed of data that is hardly affected by disturbance, and the determination data D is uniquely determined. Therefore, according to the machine learning device 300 included in the control device 100, by using the learning result of the learning unit 310, the cutting information corresponding to the change in the input data can be automatically and accurately determined without calculation or calculation. Will be able to ask.

上記構成を有する機械学習装置３００では、学習部３１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す制御装置１００の一形態であって、学習アルゴリズムの一例として教師あり学習を実行する学習部３１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力（入力データの変化に対する切断情報）を推定するための相関性モデルを学習する手法である。   In the machine learning device 300 having the above configuration, the learning algorithm executed by the learning unit 310 is not particularly limited, and a known learning algorithm can be adopted as machine learning. FIG. 3 shows one configuration of the control device 100 shown in FIG. 2 and includes a learning unit 310 that performs supervised learning as an example of a learning algorithm. In supervised learning, a known data set (referred to as teacher data) of an input and an output corresponding to the input is given in advance, and features that imply the correlation between the input and the output are identified from the teacher data. This is a method for learning a correlation model for estimating a required output (cut information for a change in input data) for a new input.

図３に示す制御装置１００が備える機械学習装置３００において、学習部３１０は、状態変数Ｓから切断情報を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３１１と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３１２とを備える。学習部３１０は、モデル更新部３１２が相関性モデルＭの更新を繰り返すことによって入力データの変化と切断情報との相関関係を学習する。   In the machine learning device 300 included in the control device 100 illustrated in FIG. 3, the learning unit 310 has an error between the correlation model M that derives the cutting information from the state variable S and the correlation feature identified from the teacher data T prepared in advance. An error calculation unit 311 that calculates E and a model update unit 312 that updates the correlation model M so as to reduce the error E are provided. The learning unit 310 learns the correlation between the change of the input data and the cutting information by the model update unit 312 repeating the update of the correlation model M.

相関性モデルＭは、回帰分析、強化学習、深層学習などで構築することができる。相関性モデルＭの初期値は、例えば、状態変数Ｓと形状データとの相関性を単純化して表現したものとして、教師あり学習の開始前に学習部３１０に与えられる。教師データＴは、例えば、過去の入力データの変化と切断情報との対応関係を記録することで蓄積された経験値（入力データの変化と切断情報との既知のデータセット）によって構成でき、教師あり学習の開始前に学習部３１０に与えられる。誤差計算部３１１は、学習部３１０に与えられた大量の教師データＴから入力データの変化と切断情報との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３１２は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。   The correlation model M can be constructed by regression analysis, reinforcement learning, deep learning, or the like. The initial value of the correlation model M is given to the learning unit 310 before the start of supervised learning, for example, as a simplified representation of the correlation between the state variable S and shape data. The teacher data T can be constituted by, for example, an experience value (a known data set of changes in the input data and cutting information) accumulated by recording a correspondence relationship between changes in past input data and cutting information. Provided to the learning unit 310 before the start of learning. The error calculation unit 311 identifies a correlation feature that implies a correlation between the change of the input data and the cutting information from the large amount of teacher data T given to the learning unit 310, and the correlation feature and the state in the current state An error E with the correlation model M corresponding to the variable S is obtained. The model update unit 312 updates the correlation model M in a direction in which the error E becomes smaller, for example, according to a predetermined update rule.

次の学習サイクルでは、誤差計算部３１１は、新たに得られた状態変数Ｓ及び判定データＤを用いて、それら状態変数Ｓ及び判定データＤに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３１２が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（入力データの変化）とそれに対応する状態（切断情報）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、入力データの変化と切断情報との関係が、最適解に徐々に近づけられる。   In the next learning cycle, the error calculation unit 311 uses the newly obtained state variable S and determination data D to obtain an error E for the correlation model M corresponding to the state variable S and determination data D, and The update unit 312 updates the correlation model M again. In this way, the correlation between the unknown current state of the environment (change in input data) and the corresponding state (disconnection information) gradually becomes clear. That is, by updating the correlation model M, the relationship between the change in the input data and the cutting information is gradually brought closer to the optimal solution.

前述した教師あり学習を進める際に、例えばニューラルネットワークを用いることができる。図４Ａは、ニューロンのモデルを模式的に示す。図４Ｂは、図４Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。   When proceeding with the supervised learning described above, for example, a neural network can be used. FIG. 4A schematically shows a model of a neuron. FIG. 4B schematically shows a model of a three-layer neural network configured by combining the neurons shown in FIG. 4A. The neural network can be configured by, for example, an arithmetic device or a storage device imitating a neuron model.

図４Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）に対する結果ｙを出力するものである。各入力ｘ１〜ｘ３には、この入力ｘに対応する重みｗ（ｗ１〜ｗ３）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆｋは活性化関数である。 The neuron shown in FIG. 4A outputs a result y for a plurality of inputs x (here, as an example, input x 1 to input x 3 ). Each input x 1 ~x 3, the weight w corresponding to the input x (w 1 ~w 3) is multiplied. Thereby, the neuron outputs an output y expressed by the following equation (1). In Equation 2, the input x, the output y, and the weight w are all vectors. Also, θ is a bias, and f k is an activation function.

Figure 0006577542
Figure 0006577542

図４Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。   In the three-layer neural network shown in FIG. 4B, a plurality of inputs x (in this example, inputs x1 to x3) are input from the left side, and a result y (in this example, results y1 to y3 as an example) are input from the right side. Is output. In the illustrated example, each of the inputs x1, x2, and x3 is multiplied by a corresponding weight (generally represented by w1), and each of the inputs x1, x2, and x3 is assigned to three neurons N11, N12, and N13. Have been entered.

図４Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してＷ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。   In FIG. 4B, the outputs of the neurons N11 to N13 are collectively represented by z1. z1 can be regarded as a feature vector obtained by extracting the feature amount of the input vector. In the illustrated example, each feature vector z1 is multiplied by a corresponding weight (generically represented by W2), and each feature vector z1 is input to two neurons N21 and N22. The feature vector z1 represents a feature between the weight W1 and the weight W2.

図４Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してＷ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。   In FIG. 4B, the outputs of the neurons N21 to N22 are collectively represented by z2. z2 can be regarded as a feature vector obtained by extracting the feature amount of the feature vector z1. In the illustrated example, each feature vector z2 is multiplied by a corresponding weight (generically represented by W3), and each feature vector z2 is input to three neurons N31, N32, and N33. The feature vector z2 represents a feature between the weight W2 and the weight W3. Finally, the neurons N31 to N33 output the results y1 to y3, respectively.

制御装置１００が備える機械学習装置３００においては、状態変数Ｓを入力ｘとして、学習部３１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、切断情報を推定値（結果ｙ）として出力することができる。なおニューラルネットワークの動作モードには、学習モードと判定モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて判定モードで切断タイミングの推定を行うことができる。なお判定モードでは、検出、分類、推論等を行うこともできる。   In the machine learning device 300 provided in the control device 100, the state variable S is used as an input x, and the learning unit 310 performs a multilayer structure operation according to the above-described neural network, thereby outputting cutting information as an estimated value (result y). be able to. The operation mode of the neural network includes a learning mode and a determination mode. For example, the weight W is learned using the learning data set in the learning mode, and the cutting timing is estimated in the determination mode using the learned weight W. be able to. In the determination mode, detection, classification, inference, etc. can be performed.

上記した制御装置１００及び機械学習装置３００の構成は、ＣＰＵ１１又はプロセッサ３０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、入力データの変化に対応する切断情報を学習する機械学習方法であって、ＣＰＵ１１又はプロセッサ３０１が、入力データの変化を環境の現在状態を表す状態変数Ｓとして観測するステップと、切断情報を判定データＤとして取得するステップと、状態変数Ｓと判定データＤとを用いて、入力データの変化と切断情報とを関連付けて学習するステップとを有する。   The configurations of the control device 100 and the machine learning device 300 described above can be described as a machine learning method (or software) executed by the CPU 11 or the processor 301. This machine learning method is a machine learning method for learning cutting information corresponding to a change in input data, in which the CPU 11 or the processor 301 observes a change in the input data as a state variable S representing the current state of the environment; The step of acquiring the cutting information as the determination data D and the step of learning by associating the change of the input data with the cutting information using the state variable S and the determination data D are included.

本実施形態によれば、機械学習装置３００が、入力データの変化と切断情報との相関性を示すモデルを生成する。これにより、一度学習モデルを作成してしまえば、加工途中であっても、その時点までに取得できた入力データの変化に基づいて、切断情報を予測することが可能となる。   According to the present embodiment, the machine learning device 300 generates a model indicating the correlation between the change of input data and the cutting information. As a result, once a learning model is created, cutting information can be predicted based on changes in input data acquired up to that point even during processing.

図５は、第２の実施の形態による制御装置１００を示す。制御装置１００は、機械学習装置３００と、データ取得部３３０とを備える。データ取得部３３０は、入力装置６０や電源切断処理部７０から、時系列の入力データと切断情報とを取得する。   FIG. 5 shows a control device 100 according to the second embodiment. The control device 100 includes a machine learning device 300 and a data acquisition unit 330. The data acquisition unit 330 acquires time-series input data and disconnection information from the input device 60 and the power-off processing unit 70.

制御装置１００が有する機械学習装置３００は、第１の実施形態の機械学習装置３００が備える構成に加えて、学習部３１０が入力データの変化に基づいて推定した切断情報を制御装置２００に対して出力する判定出力部３２０を含む。   The machine learning device 300 included in the control device 100 includes, in addition to the configuration included in the machine learning device 300 according to the first embodiment, cutting information estimated by the learning unit 310 based on changes in input data to the control device 200. A determination output unit 320 for outputting is included.

判定出力部３２０は、例えばプロセッサ３０１の一機能として構成できる。或いは判定出力部３２０は、例えばプロセッサ３０１を機能させるためのソフトウェアとして構成できる。判定出力部３２０は、学習部３１０が入力データの変化に基づいて推定した切断情報を制御装置２００に対して出力する。   The determination output unit 320 can be configured as one function of the processor 301, for example. Alternatively, the determination output unit 320 can be configured as software for causing the processor 301 to function, for example. The determination output unit 320 outputs the cutting information estimated by the learning unit 310 based on the change of input data to the control device 200.

上記構成を有する制御装置１００が備える機械学習装置３００は、前述した機械学習装置３００と同等の効果を奏する。特に第２の実施形態における機械学習装置３００は、判定出力部３２０の出力によって環境の状態を変化させることができる。他方、第１の実施形態の機械学習装置３００では、学習部１１０の学習結果を環境に反映させるための判定出力部３２０に相当する機能を、外部装置に求めることができる。   The machine learning device 300 included in the control device 100 having the above configuration has the same effect as the machine learning device 300 described above. In particular, the machine learning device 300 according to the second embodiment can change the state of the environment according to the output of the determination output unit 320. On the other hand, in the machine learning device 300 of the first embodiment, a function corresponding to the determination output unit 320 for reflecting the learning result of the learning unit 110 in the environment can be obtained from an external device.

図６は、本発明の他の実施の形態を示す。制御システム１０００は、同種の制御装置１００、１００’と、それら制御装置１００、１００’を互いに接続する有線／無線のネットワーク１１００とを備える。制御装置１００、１００’は、同じ目的の作業に必要とされる機構を有する。但し、制御装置１００は機械学習装置３００を備えるが、制御装置１００’は機械学習装置３００を備えない。   FIG. 6 shows another embodiment of the present invention. The control system 1000 includes control devices 100 and 100 'of the same type and a wired / wireless network 1100 that connects the control devices 100 and 100' to each other. The control devices 100 and 100 ′ have mechanisms that are required for the same purpose work. However, although the control device 100 includes the machine learning device 300, the control device 100 ′ does not include the machine learning device 300.

上記構成を有する制御システム１０００は、複数の制御装置１００、１００’のうちで機械学習装置３００を備える制御装置１００が、学習部３１０の学習結果を用いて、入力データに対応する切断情報を、演算や目算によらずに自動的に、しかも正確に求めることができる。また、少なくとも１つの制御装置１００の機械学習装置３００が、他の複数の制御装置１００、１００’のそれぞれについて得られた状態変数Ｓ及び判定データＤに基づき、全ての制御装置１００、１００’に共通する入力データと切断情報との相関関係を学習し、その学習結果を全ての制御装置１００、１００’が共有するように構成できる。したがって制御システム１０００によれば、より多様なデータ集合（状態変数Ｓ及び判定データＤを含む）を入力として、入力データに対応する切断情報の学習の速度や信頼性を向上させることができる。   In the control system 1000 having the above-described configuration, the control device 100 including the machine learning device 300 among the plurality of control devices 100 and 100 ′ uses the learning result of the learning unit 310 to obtain cutting information corresponding to input data, It can be obtained automatically and accurately without calculation and calculation. Further, the machine learning device 300 of at least one control device 100 assigns to all the control devices 100 and 100 ′ based on the state variable S and the determination data D obtained for each of the other control devices 100 and 100 ′. The correlation between the common input data and the cutting information is learned, and the learning result can be configured to be shared by all the control devices 100 and 100 ′. Therefore, according to the control system 1000, it is possible to improve the learning speed and reliability of the cutting information corresponding to the input data by using a more diverse data set (including the state variable S and the determination data D) as an input.

＜実施例１＞
図７乃至図９を用いて、制御装置１００の実施例１について説明する。
図９を用いて、実施例１の概要について説明する。学習前の制御装置１００は、ユーザにより電源切断指令が行われたならば、直ちに電源を切断する。通常、ハイバネーションやバックアップデータ転送等の処理は電源切断指令の後に開始されるが、本実施例では電源が直ちに切断されるので、ハイバネーションやバックアップデータ転送等は正常に完了しない。よって、次回の起動時には比較的多くの起動時間を要することになる。一方、学習後の制御装置１００も、ユーザにより電源切断指令が行われたならば、直ちに電源を切断する。但し、ユーザにより電源切断指令が行われるときには、既にハイバネーションやバックアップデータ転送等の処理が完了しているので、次回の起動時は比較的少ない起動時間で済む。 <Example 1>
A first embodiment of the control device 100 will be described with reference to FIGS. 7 to 9.
The outline of the first embodiment will be described with reference to FIG. The control device 100 before learning immediately turns off the power when a power-off command is issued by the user. Normally, processing such as hibernation and backup data transfer is started after a power-off command, but in this embodiment, power is immediately turned off, so that hibernation and backup data transfer are not normally completed. Therefore, a relatively long startup time is required at the next startup. On the other hand, the learning control device 100 also immediately turns off the power when a power-off command is issued by the user. However, when the power-off command is issued by the user, since processing such as hibernation and backup data transfer has already been completed, a relatively short startup time is sufficient at the next startup.

学習前の制御装置１００は、ユーザの電源切断指令をトリガとして、入力データの変化と切断情報との相関関係を学習することで、学習モデルを作成する（学習過程）。学習後の制御装置１００は、当該学習モデルを用いて、動作中常に電源の切断の有無を予測する（予測過程）。電源の切断が予測された場合、制御装置１００は切断予測通知を出力する。切断予測通知に応じて、制御装置１００はハイバネーションやバックアップデータ転送等の処理等を開始する。この後、予測通りにユーザが電源切断指令を行った場合、制御装置１００は既にハイバネーションやバックアップデータ転送等の処理を完了しているので、即座に電源を切断することができる。   The control device 100 before learning creates a learning model by learning a correlation between a change in input data and disconnection information using a user power-off command as a trigger (learning process). After learning, the control device 100 uses the learning model to predict whether or not the power is cut off during the operation (prediction process). When the power-off is predicted, the control device 100 outputs a disconnection prediction notification. In response to the disconnection prediction notification, the control device 100 starts processing such as hibernation and backup data transfer. Thereafter, when the user issues a power-off command as expected, the control device 100 has already completed processing such as hibernation and backup data transfer, and can immediately turn off the power.

図７のフローチャートを用いて、制御装置１００の学習過程における動作について具体的に説明する。
Ｓ１：制御装置１００が動作を開始する。制御装置１００は、通常、動作開始と同時に入力装置６０からの入力データの収集を開始する。制御装置１００は、所定のサンプリング周期で入力データを取得し、記憶装置に蓄積し続ける。ここで記憶装置にはリングバッファ等を用い、蓄積された入力データのうち、一定の時間が経過したもの（例えば最新の入力データの取得時刻からｘ分以上前に取得された入力データ）は削除することもできる。これにより記憶領域を有効に利用できる。
Ｓ２：電源切断処理部７０は、ユーザにより制御装置１００の電源切断が指令されたことを検知する。制御装置１００は、切断情報を受信したならば、これをトリガとして学習サイクルを開始する。
Ｓ３：制御装置１００は、ステップＳ１で蓄積した時系列の入力データのうち、予め定められた一定期間（例えば切断情報の出力のｍ分前から過去ｎ分間など。なおｍ＋ｎ≦ｘとする。）の入力データを状態変数Ｓとし、ステップＳ２で取得した切断情報を判定データＤとして機械学習装置３００に入力し、状態変数Ｓと判定データＤとの相関関係を示す学習モデルを作成する。 The operation in the learning process of the control device 100 will be specifically described with reference to the flowchart of FIG.
S1: The control apparatus 100 starts operation. The control device 100 normally starts collecting input data from the input device 60 simultaneously with the start of operation. The control device 100 continues to acquire input data at a predetermined sampling period and store it in the storage device. Here, a ring buffer or the like is used as the storage device, and accumulated input data that has passed a certain time (for example, input data acquired at least x minutes before the latest input data acquisition time) is deleted. You can also Thereby, the storage area can be used effectively.
S2: The power-off processing unit 70 detects that the user has commanded the power-off of the control device 100. When receiving the cutting information, the control device 100 starts a learning cycle using this as a trigger.
S3: The control apparatus 100 determines a predetermined period of time-series input data accumulated in step S1 (for example, the past n minutes from m minutes before the output of the cutting information, where m + n ≦ x). Is input to the machine learning device 300 as the determination data D, and a learning model indicating the correlation between the state variable S and the determination data D is created.

制御装置１００は、所望の精度の学習モデルを得るのに十分な数の状態変数Ｓと判定データＤとが得られるまで、ステップＳ１乃至Ｓ３までの処理を繰り返す。なおこの学習過程においては、切断情報が発行される毎に１回の学習サイクル（ステップＳ１乃至Ｓ３の処理）が実施されることになる。   The control device 100 repeats the processes from step S1 to step S3 until a sufficient number of state variables S and determination data D are obtained to obtain a learning model with a desired accuracy. In this learning process, one learning cycle (the processing of steps S1 to S3) is performed every time cutting information is issued.

なお、本実施例では、制御装置１００の電源は、電源切断指令の発生直後に切断される。そのため制御装置１００は、ステップＳ１及びＳ２において、入力データ及び切断情報を不揮発性の記憶装置に保存することができる。そして次回の起動時に、制御装置１００はまずステップＳ３の学習処理を行ってから、ステップＳ１の処理に戻る。   In the present embodiment, the power supply of the control device 100 is turned off immediately after the power-off command is generated. Therefore, the control apparatus 100 can preserve | save input data and cutting | disconnection information in a non-volatile memory | storage device in step S1 and S2. At the next startup, the control device 100 first performs the learning process in step S3 and then returns to the process in step S1.

しかし、例えば制御装置１００と機械学習装置３００とを分離し、機械学習装置３００を例えばクラウド、フォグ又はエッジコンピューティング環境に配置したような場合は、制御装置１００の電源が切断されたとしても、機械学習装置３００が引続き学習を行うことが可能である。   However, for example, when the control device 100 and the machine learning device 300 are separated and the machine learning device 300 is disposed in, for example, a cloud, fog, or edge computing environment, even if the power of the control device 100 is cut off, It is possible for the machine learning device 300 to continue learning.

続いて、図８のフローチャートを用いて、制御装置１００の予測過程における動作について説明する。
Ｓ１１：制御装置１００が動作を開始する。制御装置１００は、通常、動作開始と同時に入力装置６０からの入力データの収集を開始する。以降、制御装置１００の電源が切断されるまで以下の処理を継続的に実行する。
Ｓ１２：制御装置１００は、動作開始と同時に入力装置６０からの入力データの収集を開始する。制御装置１００は、所定のサンプリング周期で入力データを取得、蓄積し続ける。ここで蓄積された入力データのうち、一定の時間が経過したもの（少なくとも最新の入力データの取得時刻からｎ分以上前に取得された入力データ）は削除することもできる。これにより記憶領域を有効に利用できる。
Ｓ１３：制御装置１００は、ステップＳ１２で取得した時系列の入力データのうち、予め定められた一定期間（例えばｎ分間）の入力データを状態変数Ｓとして機械学習装置３００に入力する。機械学習装置３００は、状態変数Ｓを学習済みモデルに入力し、状態変数Ｓに対応する判定データＤを予測値として出力する。ここで制御装置１００は、電源切断指示の発生までの時間を共に出力しても良い。例えば、学習過程において、切断情報の出力のｍ分前から過去ｎ分間の入力データを状態変数Ｓとして使用しており、予測過程においてｎ分間の入力データを状態変数Ｓとして使用した場合には、ｍ分後に電源切断の指示が発生すると予測できる。
Ｓ１４：予測値として切断情報が出力されなければ、ステップＳ１１に戻り動作を継続する。予測値として切断情報が出力された場合、ステップＳ１５に遷移する。
Ｓ１５：制御装置１００は、電源切断が予測されることを示す通知（切断予測情報）を出力する。 Next, the operation in the prediction process of the control device 100 will be described using the flowchart of FIG.
S11: The control device 100 starts operation. The control device 100 normally starts collecting input data from the input device 60 simultaneously with the start of operation. Thereafter, the following processing is continuously executed until the control device 100 is powered off.
S12: The control device 100 starts collecting input data from the input device 60 simultaneously with the start of the operation. The control device 100 continues to acquire and accumulate input data at a predetermined sampling period. Of the input data stored here, data that has passed a certain time (at least input data acquired at least n minutes before the acquisition time of the latest input data) can be deleted. Thereby, the storage area can be used effectively.
S13: The control device 100 inputs input data for a predetermined period (for example, n minutes) out of the time-series input data acquired in step S12 to the machine learning device 300 as a state variable S. The machine learning device 300 inputs the state variable S to the learned model, and outputs determination data D corresponding to the state variable S as a predicted value. Here, the control device 100 may output the time until the power-off instruction is generated. For example, in the learning process, when input data for the past n minutes from m minutes before the output of the cutting information is used as the state variable S, and when input data for n minutes is used as the state variable S in the prediction process, It can be predicted that a power-off instruction will occur after m minutes.
S14: If the cutting information is not output as the predicted value, the process returns to step S11 and continues the operation. When the cutting information is output as the predicted value, the process proceeds to step S15.
S15: The control device 100 outputs a notification (disconnection prediction information) indicating that power supply is predicted to be cut off.

制御装置１００は、この切断予測情報を受けて、例えばハイバネーションやバックアップデータ転送等の処理等を開始することができる。これにより、ユーザが電源切断を指令したならば直ちに電源を切断することが可能となる。なお、制御装置１００が切断予測情報を受けた後の処理（ハイバネーションやバックアップデータ転送等）の具体的な内容については本発明に含まれないため、詳細な説明は行わない。   Upon receiving this disconnection prediction information, the control device 100 can start processing such as hibernation and backup data transfer. This makes it possible to immediately turn off the power if the user commands power off. Note that the specific contents of the processing (such as hibernation and backup data transfer) after the control device 100 receives the disconnection prediction information are not included in the present invention and will not be described in detail.

＜実施例２＞
図７、図８及び図１０を用いて、制御装置１００の実施例２について説明する。なおここでは主に実施例１との相違点にのみついて説明する。特に言及しない事項については、実施例１と同様の動作であるものとする。 <Example 2>
A second embodiment of the control device 100 will be described with reference to FIGS. 7, 8, and 10. Only differences from the first embodiment will be mainly described here. Items not particularly mentioned are the same as those in the first embodiment.

図１０を用いて、実施例２の概要について説明する。学習前の制御装置１００は、ユーザにより電源切断指令が行われたならば、ハイバネーションやバックアップデータ転送等の処理を行い、完了後に電源を切断する。よって、電源の切断までに比較的多くの時間を要する。一方、学習後の制御装置１００は、ユーザにより電源切断指令が行われたならば、直ちに電源を切断する。このとき、既にハイバネーションやバックアップデータ転送等の処理が完了しているためである。   The outline of the second embodiment will be described with reference to FIG. The control device 100 before learning performs processing such as hibernation and backup data transfer when a power-off command is issued by the user, and turns off the power after completion. Therefore, a relatively long time is required until the power is turned off. On the other hand, the control device 100 after learning immediately turns off the power when a power-off command is issued by the user. This is because processing such as hibernation and backup data transfer has already been completed.

図７のフローチャートに示す制御装置１００の学習過程において、本実施例では、制御装置１００の電源は、電源切断指令の発生後、相当の時間が経過した後に切断される。そのため制御装置１００は、電源切断指令の発生後直ちにステップＳ３の学習処理を実行することができる。なお、電源の切断までに学習処理が完了しない可能性がある場合には、実施例１と同じように、制御装置１００が次回の起動時に学習処理を行うか、クラウド、フォグ又はエッジコンピューティング環境に配置した機械学習装置３００が引続き学習を行うこととしても良い。図８のフローチャートに示す制御装置１００の予測過程については、実施例１と同様であるため説明を省略する。   In the learning process of the control device 100 shown in the flowchart of FIG. 7, in this embodiment, the power supply of the control device 100 is disconnected after a considerable time has elapsed after the power-off command is generated. Therefore, the control device 100 can execute the learning process in step S3 immediately after the power-off command is generated. If there is a possibility that the learning process may not be completed before the power is turned off, as in the first embodiment, the control device 100 performs the learning process at the next startup, or the cloud, fog, or edge computing environment. It is good also as the machine learning apparatus 300 arrange | positioned to learning continuing. Since the prediction process of the control device 100 shown in the flowchart of FIG. 8 is the same as that of the first embodiment, the description thereof is omitted.

これら２つの実施例では、制御装置１００の機械学習装置３００が、制御装置１００の稼働中における入力データの変化と、切断情報と、の相関関係を学習した学習モデルを生成する。この学習モデルを用いることにより、制御装置１００は、入力データの変化に基づいて、切断情報を予測し、予測結果を制御装置２００に通知することができる。   In these two embodiments, the machine learning device 300 of the control device 100 generates a learning model in which the correlation between the change of the input data during the operation of the control device 100 and the cutting information is learned. By using this learning model, the control device 100 can predict the cutting information based on the change of the input data and notify the control device 200 of the prediction result.

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。   Although the embodiments of the present invention have been described above, the present invention is not limited to the above-described embodiments, and can be implemented in various modes by making appropriate changes.

例えば、上述の実施の形態では主に制御装置１００が機械学習装置３００を備える例を示したが、本発明はこれに限定されず、機械学習装置３００は制御装置１００の外部に存在しても良い。例えば機械学習装置３００は独立の情報処理装置であって、クラウド、フォグ又はエッジコンピューティング環境等に配置され、制御装置１００と有線又は無線等により通信可能に構成しても良い。   For example, in the above-described embodiment, an example in which the control device 100 mainly includes the machine learning device 300 has been described. However, the present invention is not limited to this, and the machine learning device 300 may exist outside the control device 100. good. For example, the machine learning apparatus 300 is an independent information processing apparatus, and may be arranged in a cloud, fog, or edge computing environment and configured to be able to communicate with the control apparatus 100 by wire or wireless.

１００ 制御装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１８，１９，２１ インタフェース
２０ バス
６０ 入力装置
７０ 電源切断処理部
３００ 機械学習装置
３０１ プロセッサ
３０２ ＲＯＭ
３０３ ＲＡＭ
３０４ 不揮発性メモリ
３０６ 状態観測部
３０８ 判定データ取得部
３１０ 学習部
３１１ 誤差計算部
３１２ モデル更新部
３２０ 判定出力部
３３０ データ取得部
１０００ 制御システム
１１００ ネットワーク 100 Controller 11 CPU
12 ROM
13 RAM
DESCRIPTION OF SYMBOLS 14 Nonvolatile memory 18, 19, 21 Interface 20 Bus | bath 60 Input device 70 Power-off process part 300 Machine learning apparatus 301 Processor 302 ROM
303 RAM
304 Non-volatile memory 306 State observation unit 308 Determination data acquisition unit 310 Learning unit 311 Error calculation unit 312 Model update unit 320 Determination output unit 330 Data acquisition unit 1000 Control system 1100 Network

Claims (7)

電源の切断タイミングを予測する制御装置であって、
前記電源の切断タイミングを学習する機械学習装置を備え、
前記機械学習装置は、
ユーザ毎の前記制御装置に対する操作内容を、環境の現在状態を表す状態変数として観測する状態観測部と、
前記ユーザにより前記制御装置の電源切断が指令されたことを示す判定データを取得する判定データ取得部と、
前記状態変数と前記判定データとを用いて、前記ユーザ毎の操作内容と、前記電源切断の指令とを関連付けて学習する学習部と、
を備える制御装置。 A control device for predicting the power-off timing,
A machine learning device for learning the power-off timing;
The machine learning device includes:
A state observing unit for observing operation contents for the control device for each user as a state variable representing a current state of the environment;
A determination data acquisition unit that acquires determination data indicating that the user has instructed power-off of the control device;
Using the state variable and the determination data, a learning unit that learns the operation content for each user in association with the power-off command,
A control device comprising: 前記状態変数には、前記ユーザ毎の操作内容に加えて、前記操作の日付、曜日、時刻、ティーチングペンダントの加速度又は位置、工場の消費電力、ＣＰＵの負荷状態、アラームの出力状態のうち少なくともいずれか１つを含む、
請求項１記載の制御装置。 In addition to the operation details for each user, the state variable includes at least one of the operation date, day of the week, time, teaching pendant acceleration or position, factory power consumption, CPU load status, and alarm output status. Including one,
The control device according to claim 1. 前記学習部は、前記状態変数と前記判定データとを多層構造で演算する、
請求項１記載の制御装置。 The learning unit calculates the state variable and the determination data in a multilayer structure.
The control device according to claim 1. 前記予測した電源の切断タイミングを通知する判定出力部３２０を備える
請求項１記載の制御装置。 The control device according to claim 1, further comprising a determination output unit 320 that notifies the predicted power-off timing. 前記学習部は、複数の前記制御装置から得られた前記状態変数及び前記判定データを用いて前記学習を行う、
請求項１〜４のいずれか１つに記載の制御装置。 The learning unit performs the learning using the state variables and the determination data obtained from a plurality of the control devices.
The control apparatus as described in any one of Claims 1-4. 前記機械学習装置は、クラウドサーバに存在する、
請求項１記載の制御装置。 The machine learning device exists in a cloud server,
The control device according to claim 1. 電源の切断タイミングを学習する機械学習装置であって、
ユーザ毎の制御装置に対する操作内容を、環境の現在状態を表す状態変数として観測する状態観測部と、
前記ユーザにより前記制御装置の電源切断が指令されたことを示す判定データを取得する判定データ取得部と、
前記状態変数と前記判定データとを用いて、前記ユーザ毎の操作内容と、前記電源切断の指令とを関連付けて学習する学習部と、
を備える機械学習装置。 A machine learning device for learning the power-off timing,
A state observation unit for observing the operation content for the control device for each user as a state variable representing the current state of the environment;
A determination data acquisition unit that acquires determination data indicating that the user has instructed power-off of the control device;
Using the state variable and the determination data, a learning unit that learns the operation content for each user in association with the power-off command,
A machine learning device comprising:
JP2017170626A 2017-09-05 2017-09-05 Control device Active JP6577542B2 (en)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017170626A JP6577542B2 (en) 2017-09-05 2017-09-05 Control device
US16/119,131 US11048216B2 (en) 2017-09-05 2018-08-31 Control device
DE102018006992.4A DE102018006992B4 (en) 2017-09-05 2018-09-04 control device
CN201811032419.XA CN109421072B (en) 2017-09-05 2018-09-05 Control device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017170626A JP6577542B2 (en) 2017-09-05 2017-09-05 Control device

Publications (2)

Publication Number Publication Date
JP2019046324A JP2019046324A (en) 2019-03-22
JP6577542B2 true JP6577542B2 (en) 2019-09-18

Family

ID=65363737

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017170626A Active JP6577542B2 (en) 2017-09-05 2017-09-05 Control device

Country Status (4)

Country Link
US (1) US11048216B2 (en)
JP (1) JP6577542B2 (en)
CN (1) CN109421072B (en)
DE (1) DE102018006992B4 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7369181B2 (en) 2019-03-28 2023-10-25 株式会社Ｎｔｔドコモ Control data generation device, user device and information processing system
CN114815785B (en) * 2022-06-07 2023-04-07 哈尔滨工业大学 Nonlinear system actuator robust fault estimation method based on finite time observer
US20240055885A1 (en) * 2022-08-15 2024-02-15 Apple Inc. Energy based task shifting
US20240053410A1 (en) * 2022-08-15 2024-02-15 Apple Inc. Energy based task shifting

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02253466A (en) * 1989-03-28 1990-10-12 Yuichi Murakami Learning system performing arithmetic processing of input signal
JPH0728572A (en) 1993-07-14 1995-01-31 Hitachi Ltd Automatic data preserving device at power interruption
JP2002351600A (en) * 2001-05-28 2002-12-06 Allied Brains Inc Program for supporting input operation
JP4213008B2 (en) * 2002-10-09 2009-01-21 パナソニック株式会社 Information terminal device, operation support method, and operation support program
JP2008195295A (en) * 2007-02-14 2008-08-28 Toyota Motor Corp Light control device
US8924352B1 (en) 2007-03-31 2014-12-30 Emc Corporation Automated priority backup and archive
CN101782976B (en) * 2010-01-15 2013-04-10 南京邮电大学 Automatic selection method for machine learning in cloud computing environment
CN102163073B (en) 2010-02-23 2012-11-21 华为终端有限公司 Terminal power consumption optimization processing method and device
CN102339118B (en) 2011-09-14 2015-02-18 奇智软件（北京）有限公司 Terminal shutdown control method and system
JP6024508B2 (en) * 2013-02-20 2016-11-16 株式会社デンソー Vehicle data processing device
US10558953B2 (en) * 2013-07-03 2020-02-11 Illinois Tool Works Inc. Welding system parameter comparison system and method
JP2016153247A (en) * 2014-07-23 2016-08-25 株式会社発明屋 Cloud driver
CN115302042A (en) * 2014-08-29 2022-11-08 克里凯文斯管线国际有限公司 Method and system for welding
US11562286B2 (en) * 2015-02-06 2023-01-24 Box, Inc. Method and system for implementing machine learning analysis of documents for classifying documents by associating label values to the documents
JP6148316B2 (en) * 2015-07-31 2017-06-14 ファナック株式会社 Machine learning method and machine learning device for learning failure conditions, and failure prediction device and failure prediction system provided with the machine learning device
CN105318499B (en) 2015-09-30 2018-06-01 广东美的制冷设备有限公司 User behavior self study air-conditioning system and its control method
JP6114421B1 (en) * 2016-02-19 2017-04-12 ファナック株式会社 Machine learning device, industrial machine cell, manufacturing system and machine learning method for learning work sharing of a plurality of industrial machines
US10307855B2 (en) * 2016-03-29 2019-06-04 Illinois Tool Works Inc. Impending thermal shutdown alert system and thermal shutdown process
CN106407048B (en) 2016-05-25 2019-04-05 清华大学 Input/output communication interface, the data backup and resume method based on the interface
US20180015560A1 (en) * 2016-07-14 2018-01-18 Lincoln Global, Inc. Method and system for welding with temperature detector
US20190022787A1 (en) * 2017-07-24 2019-01-24 Lincoln Global, Inc. Weld sequencer part inspector

Also Published As

Publication number Publication date
DE102018006992A1 (en) 2019-03-07
US20190072915A1 (en) 2019-03-07
CN109421072A (en) 2019-03-05
DE102018006992B4 (en) 2022-08-04
US11048216B2 (en) 2021-06-29
CN109421072B (en) 2020-12-15
JP2019046324A (en) 2019-03-22

Similar Documents

Publication Publication Date Title
JP6577542B2 (en) Control device
JP6693919B2 (en) Control device and machine learning device
JP6693938B2 (en) Appearance inspection device
US20180373233A1 (en) Failure predicting apparatus and machine learning device
JP6523379B2 (en) Information processing device
JP6652549B2 (en) Chip removal device and information processing device
JP6572265B2 (en) Control device and machine learning device
JP2019117458A (en) Control device and machine learning device
JP6680750B2 (en) Control device and machine learning device
US11275421B2 (en) Production system
JP6592039B2 (en) Thermal displacement correction device
JP2019030941A (en) Control device and learning device
JP6333868B2 (en) Cell control device and production system for managing the operating status of a plurality of manufacturing machines in a manufacturing cell
US11897066B2 (en) Simulation apparatus
US20230038415A1 (en) Diagnosis device
US10908572B2 (en) Programmable controller and machine learning device
JP6564426B2 (en) Parts supply device and machine learning device
JP2019150932A (en) Collison position estimation device and machine learning device
JP2019082882A (en) Tester and machine learning device
JP6603260B2 (en) Numerical controller
CN109308051B (en) Numerical controller
CN110125955B (en) Control device and machine learning device
JP6685483B1 (en) Robot action planning system, robot system, robot work verification system, and robot action planning method
JP6637021B2 (en) Cutting fluid supply timing control device and machine learning device
US20230274408A1 (en) Inspection device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181119

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190422

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190712

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190719

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190723

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190822

R150 Certificate of patent or registration of utility model

Ref document number: 6577542

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150